应用自然语言处理方法分类拔牙术后非计划再就诊(Natural language processing methods to classify unplanned returns following dental extractions)

《BMC Digital Health》:Natural language processing methods to classify unplanned returns following dental extractions

【字体: 大 中 小 】 时间:2026年06月23日 来源:BMC Digital Health

编辑推荐:

  背景:关于患者拔牙后为何再就诊的信息可用于牙科医疗质量指标,但该类原因通常以非结构化形式记录在牙科病历中。本研究旨在确定牙科临床笔记中的信息是否可用于帮助识别哪些患者再就诊属于因并发症导致的非计划再就诊。材料与方法:研究人员手动标注了4756例拔牙后14天内再

  
背景:关于患者拔牙后为何再就诊的信息可用于牙科医疗质量指标,但该类原因通常以非结构化形式记录在牙科病历中。本研究旨在确定牙科临床笔记中的信息是否可用于帮助识别哪些患者再就诊属于因并发症导致的非计划再就诊。材料与方法:研究人员手动标注了4756例拔牙后14天内再就诊患者的临床笔记,将因并发症导致的非计划再就诊、其他原因导致的非计划再就诊及计划再就诊进行区分。测试了四种预训练语言模型(pre-trained language model, PLM)及词袋逻辑回归模型,以F1分数衡量性能,并使用SHapley Additive exPlanations(SHAP)值进行事后可解释性分析。结果:在分类"因并发症导致的非计划再就诊"与"所有再就诊原因"时,表现最优的PLM的F1分数为0.82;四种PLM间性能无显著差异;词袋逻辑回归模型性能显著更低(F1分数为0.71)。SHAP分析提示,与干槽症(alveolar osteitis)及术后感染相关的笔记最能预测拔牙后非计划再就诊。结论:NLP方法可用于从牙科临床笔记中区分因并发症导致的非计划再就诊,结果表明牙科临床笔记可被用于改进将非计划再就诊作为医疗质量指标的衡量方式。
论文解读:应用自然语言处理(Natural Language Processing, NLP)方法分类拔牙术后非计划再就诊——以牙科临床笔记识别并发症所致非计划再就诊
一、研究背景与意义
拔牙是牙科最常见的外科操作之一,拔牙后非计划再就诊(unplanned return visit)率常被作为牙科医疗质量指标(quality-of-care indicator)。然而目前国际上对该指标的测量和报告不一致,牙科电子病历(Electronic Dental Record, EDR)中诊断编码实施不规范,以计费为目的的操作码无法充分捕捉拔牙术后并发症信息,再就诊原因多仅以自由文本形式记录于临床笔记(clinical notes)中,难以被结构化提取和利用。并非所有非计划再就诊都代表医疗质量问题,仅因并发症(complication,如干槽症alveolar osteitis、术后感染等)导致的非计划再就诊才具质控意义;部分患者再就诊仅为寻求术后正常反应 reassurance 或处理其他牙齿问题。既往牙科领域对拔牙后并发症致非计划再就诊的评估多依赖人工手动审阅临床笔记,缺乏规模化自动识别手段。自然语言处理(NLP)已在急诊再就诊及住院再入院预测中成功应用于临床叙事文本挖掘。因此,本研究旨在应用NLP方法,基于拔牙后再就诊时的临床笔记,自动区分"因并发症导致的非计划再就诊"与其他类型再就诊,以提高牙科非计划再就诊作为质控指标的准确性和可用性。论文发表于《BMC Digital Health》。
二、主要关键技术方法概述
研究人员回顾性获取澳大利亚Nepean Blue Mountains Local Health District六家公立牙科诊所2018年4月9日至2023年8月15日的EDR数据,纳入≥18岁拔牙后14天内再就诊的4756例次(3835名独特患者)。由一名具临床背景的标注员依据含四类标签(并发症—计划复诊、并发症—非计划再就诊、无并发症、未知)的标注方案,对所有再就诊笔记及关联拔牙就诊信息进行标注,另随机抽取550份由第二名标注员双重标注计算Cohen's κ(最终κ=0.85)。数据集按单标注4256份用于训练验证(5折重采样)、双标注500份作测试集。比较词袋(bag-of-words)逻辑回归模型与四种预训练语言模型(Pre-trained Language Model, PLM)——BERTlarge、RoBERTa、BioBERT、Bio+Clinical BERT——在二分类(并发症—非计划再就诊 vs 其他)上的性能,以精确率(Precision)、召回率(Recall)、宏平均F1分数(macro-averaged F1-score)评估,McNemar's检验比较差异显著性;对最佳PLM及逻辑回归模型采用SHAP(SHapley Additive exPlanations)值做可解释性分析,并对模型预测错误做人工错误分析。
三、研究结果
Annotated corpus(标注语料库)
标注后4756份文档中最多数为"无并发症(No complications)",其次为"并发症—非计划再就诊(Complications – unplanned visit)"。文档平均词元(token)数423个,词汇量42256个。
Model performance using a multiclass approach with text data(多分类文本模型性能)
初步尝试四分类(multiclass)方法,因类别不平衡(Complications – planned visit及Unknown类样本少)导致宏平均F1分数偏低,故后续采用二分类法,保留"Complications – unplanned visit"为正类,其余合并为"Other"。
Model performance using a binary approach with structured and text data(加入结构化数据的二分类模型性能)
在词袋逻辑回归模型中联合人口学及既往病史等结构化特征与文本特征训练,其宏平均F1分数与仅用文本数据相比几乎无差异,故最终模型仅使用文本数据。
Model performance using a binary approach with text data(基于文本的二分类模型性能)
预训练语言模型整体精确率、召回率及F1分数均高于词袋逻辑回归模型;对于正类"Complications – unplanned visit",最佳PLM达F1分数0.82(精确率约0.80–0.84,召回率0.83–0.92),词袋逻辑回归模型F1分数为0.71。McNemar's检验显示逻辑回归性能显著低于各PLM(p=0.000–0.002),四种PLM间性能无统计学显著差异,RoBERTa数值略优。
Post hoc explainability analysis(事后可解释性分析)
词袋逻辑回归模型中绝对值最大的系数及最高正SHAP值对应干槽症(alveolar osteitis / dry socket)相关词汇——"dry""socket""alveogyl/dressing""clot""delayed""saline""placed""tx(treatment)"等,提示这些词提升正类概率;"healing well""no pus/discharge""no swelling/lymphadenopathy"等词具负SHAP值降低正类概率。RoBERTa模型的PartitionSHAP分析显示,"swelling"等token簇关联高正SHAP值(推高并发症再就诊概率),"completed under ga(general anaesthesia)"及表示无化脓性分泌物(nil + pur + ulent + disc + har + ge)的token簇关联低概率;筛选真阳性并发症再就诊文档时,抗生素处方相关token簇呈高SHAP值,符合术后感染处置特征。
Error analysis(错误分析)
各PLM对同一文档的预测错误重叠度高于PLM与逻辑回归间重叠度。至少三个PLM共同误分的正类样本中,多数因临床文档对术后感染(含院外GP/ED已处理者)、干槽症描述异质性大或某些少见并发症(如感觉异常paraesthesia、锐利骨片/死骨sequestrum、残根)训练样本极少;11份归因标注员标注偏差。提示可通过集成方法(ensemble methods)及规范化临床记录改善。
四、讨论与结论翻译
讨论指出NLP可有效从牙科临床笔记中区分因并发症所致非计划再就诊;各PLM无显著差异可能因为牙科特有缩写术语未在BioBERT/Bio+Clinical BERT预训练集中出现,未来域适应预训练(domain-adapted BERT on dental clinical notes)或可进一步提升性能。SHAP分析印证干槽症与术后感染为最主要预测信号,但PLM的部分高SHAP token临床不可解释,说明基于SHAP的PLM可解释性仍有限。标注一致性及错误分析凸显临床叙事模糊时标注难度与指南重要性。研究局限含仅部分双标注、单中心公立诊所数据外推需谨慎。
结论(Conclusions原文翻译):
监测拔牙后非计划再就诊率是为更好地监控可预防非计划再就诊并改善患者预后的重要步骤。若牙科质控指标无法区分拔牙后患者返院原因,便无法实现其目标。返院原因信息目前在牙科记录中不以结构化数据存储,但临床笔记含有足够信息来识别哪些再就诊是因并发症导致的非计划再就诊。本研究演示了如何利用NLP方法发现此类再就诊,这可能改进牙科领域的医疗质量指标。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号